CN110351679A - 一种基于改进模拟退火的无线传感器网络资源分配方法 - Google Patents
一种基于改进模拟退火的无线传感器网络资源分配方法 Download PDFInfo
- Publication number
- CN110351679A CN110351679A CN201910322312.7A CN201910322312A CN110351679A CN 110351679 A CN110351679 A CN 110351679A CN 201910322312 A CN201910322312 A CN 201910322312A CN 110351679 A CN110351679 A CN 110351679A
- Authority
- CN
- China
- Prior art keywords
- solution
- simulated annealing
- resource allocation
- new
- sensor network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请是一种基于改进模拟退火的无线传感器网络资源分配方法。考虑传感器节点的能量有限和实时性的特点,在目标函数的感知程度矩阵中加入时间函数,利用加权因子保证用户的公平性;并给出感知节点探测目标数目约束,减少节点感知偏差,进而构造资源分配最优化模型。针对模拟退火优化对整体解空间的存在认知不足的特点,将Logistic混沌搜索嵌入其中,结合模拟退火的快速寻优的能力,提出一种基于改进模拟退火的有效资源分配方法。与同类方法相比,在不同感知个数的条件下本文方法的目标检测成功率更高,权值保证了用户的公平性,有效降低了优化时间和网络功率消耗,提高了系统整体性能。
Description
技术领域
本发明涉及一种网络资源分配方法,特别是一种基于改进模拟退火的无线传 感器网络资源分配方法,属于通信技术领域。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)将逻辑上的信息世界和客 观上的物理世界融合在一起,正在改变着人类和自然的交互方式。作为一种新的 传播模式推动了科技发展和社会进步,现已成为国际技术竞争的焦点之一,无论 在国防还是国民经济的各个关键基础领域都有着广阔的应用【1-2】。WSN节点作 为独立的计算和控制单元,能够实现自身的数据管理,并与其它节点协同完成数 据高效传输,其网络特性与网络拓扑结构、节点自身特性、网络资源属性以及节 点感知数据的分析、处理和传输密切相关【3】。随着无线传感器网络通信速率要 求的日益提高,节点受到的干扰以及链路之间的通信冲突也会随之增强,造成网 络容量下降,导致网络节点由于数据重传浪费能量,当前的无线传感器的资源分 配模式难以满足人们的需求。传感器节点大多是由电池或能量有限的供电设备供 电,能量补充困难,因此通过有效方法对其进行资源优化,解决无线传感器网络 资源分配优化问题,减少通信时延及降低能量消耗显得尤为重要。
文【4】将无线传感器网络中的能量收集传感器节点设为可充电电池,利用 马尔可夫决策方法将能量问题转化为迭代最优化算法。文【5】利用马尔科夫随 机理论构建了节点调度模型,并最大化网络生存时间。一种无线传感器网络生存 时间优化算法在文【6】中提出,作者建立了大规模线性规划模型,并通过基于 列生成的精确方法求解,其所提算法为子优化算法。近年来,由于群体智能算法 高效的搜索能力,许多学者将遗传算法、模拟退火算法、粒子群算法应用到无线 网络资源优化问题当中。文【7】以链路的冲突和干扰为约束条件,构建了系统 的资源分配多目标优化模型,提出一种基于双群体差分进化的联合资源分配优化 算法。文【8】采用估计信令和目标信令之间的跟踪误差作为驱动机制来调节传输功率,提出了一种新的分布式功率控制技术。文【9】提出了一种新的基于顶 点着色的无线体区域网络资源分配算法,通过将不同的资源分配给任意两个相邻 的网络来实现的可靠性。针对感知任务来动态调整传感器网络节点的探测目标、 通信时隙等参数,对传感器的资源分配方式进行整体优化,文【10】提出了一种 基于混沌并行遗传算法的多目标无线传感器网络跨层资源分配方法,该方法运用 混沌序列和并行遗传算法来动态调整传感器网络节点的探测目标及通信时隙等 参数。
无线传感器网络是资源受限型网络,可用能量和探测范围有限。如果节点上 感知任务目标的个数超过一定限度,会导致传感器能量被过度消耗,从而降低节 点生存时间;实际无线传感器网络中传感器节点非均匀部署分布,平均分配资源 可能导致较大误差而使得未知节点的定位精度下降。文【10】并没有考虑上述两 方面问题,本专利给出传感器节点至多能探测任务目标的个数约束;通过在节点 上设置加权系数保证系统的公平性;并将混沌遍历结合到模拟退火初始状态的搜 索中,提出基于改进模拟退火的有效资源分配方法。
模拟退火算法(Simulated Annealing,SA)是基于蒙特卡罗(Monte Carlo) 迭代求解法的一种启发式随机搜索算法【11】,通过模拟物理学中固体物质的退 火过程,找到解空间,挑选初始解,在其领域内产生随机干扰进而产生另一个解。 并选择降温系数,不断产生新的温度,经过很多次降温处理,产生一系列的马尔 科夫链(这个过程是对模拟退火算法进程的控制)。优化过程的目标函数在一个 允许的范围内变化,该范围由Metropolis接受准则限定,控制参数t的作用类 似于物理过程中的温度T。通过反复进行“产生新的解——计算代价函数差—— 判断能否接受新的解——接受(或放弃)新的解,求解得到优化问题的全局最优 解,该过程被形象地称作冷却过程。模拟退火算法是通过赋予搜索过程一种时变 且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优 的串行结构的优化算法。
混沌行为起源于非线性系统对初值的敏感依赖性【14】,初始近邻的轨道将 在一个有限的相空间中迅速分离,且分离的程度将随时间按指数规律增长。美国 普林斯顿大学生物系的May指出,生态系统中一些简单的模型中潜藏着复杂的令 人吃惊的动力学性态,既有倍周期分岔又有混沌的存在。
定义了logistic方程:设u0为一数列,u0∈[0,1]为初始值,满足递推关系:
un+1=vun(1-un),n=0,1,... (20)
由任意的初始值u0开始,反复迭代产生x0,x1,x2,...,xn,...变化情形,轨道的性态强烈 依赖于参数v0随着v的不断改变,随之出现一系列变化,直到产生混沌。
本申请是在文【10】基础上对资源分配模型进行改进,并将改进模拟退火方 法应用到优化方法设计中,在节点能量有效、分布式控制等条件下完成对多个目 标的探测任务。
发明内容
本申请旨在提供一种基于改进模拟退火的无线传感器网络资源分配方法。该 网络资源分配方法能够解决无线传感器网络中通信时延问题,降低数据传输的能 量消耗。本申请在目标函数的感知程度矩阵中加入时间函数,利用加权因子保证 用户的公平性;并给出感知节点探测目标数目约束,减少节点感知偏差,进而构 造资源分配最优化模型。针对模拟退火优化对整体解空间的存在认知不足的特点, 将Logistic混沌搜索嵌入其中,结合模拟退火的快速寻优的能力,提出一种基 于改进模拟退火的有效资源分配方法。本申请与同类方法相比,在不同感知个数 的条件下的目标检测成功率更高,权值保证了用户的公平性,有效降低了优化时 间和网络功率消耗,提高了系统整体性能。
资源分配方法的系统描述
考虑具有M个被探测目标和N个传感器节点无线传感器网络。每次通信过程 中存在多个任务目标被探测,因此要保证任务目标更好地被探测,传感器节点数 目就必须远大于被探测目标数目:
N>>M (1)
假设I={i1,i2,i3,...,im}(im>0)为M个被探测目标的重要程度。为便于计算, 将被探测目标的重要程度进行归一化处理:
其中imax=max{i1,i2,i3,...,im}。根据传感器节点与探测任务目标相差的距离,得感知程度矩阵为:
其中smn表示传感器节点i对任务目标j的感知程度。
感知距离表示传感器节点到目标任务之间的距离,感知距离越小,矩阵中对 应的smn数值越大;感知距离越大,矩阵中对应的smn数值就越小。网络不能保证所 有的任务节点都被探测,如果有未被感知的目标,其感知程度设为smn=0,表示 任务目标在传感器节点感知范围以外。
将感知程度也进行归一化处理:
其中smax=max{s11...sMN}。
考虑实际传感器节点的感知能力有限,对传感器节点多余能量R进行修正并 做归一化处理:
为了有效删除超出感知范围和在感知范围内但不能感知的节点,保留有效感 知任务目标,将N个传感器节点随机分配到M个被探测目标上,得到分配矩阵:
若目标任务被传感器节点感知,设fmn=0;如果目标任务被分配到传感器上, 规定fmn=1。
假设每个节点每次只感知一个被感知目标,得到如下约束条件:
根据实际网络,第m个探测目标至少被em个传感器节点感知,可得到如下条 件:
传感器网络经过配置之后的效用函数U为:
U=T*(F*P)*R (9)
式中T是探测目标重要程度的向量,F为传感器节点目标分配矩阵,P为传感器 节点的感知程度矩阵,R为传感器节点的剩余能量。
对应的资源分配优化方法约束为:
t表示传感器节点对目标任务的感知时间:
将感知时间进行归一化处理:
考虑传感器节点的传输实时性的特点,基于感知时间对感知程度进行修正, 得到如下表达式:
通过以上分析,对式子(9)中的效用函数进行改进,得到新的资源分配目标 函数:
U′=T*(F*P*C)*R (15)
其中C为归一化处理后传感器节点对任务目标的感知时间矩阵。
考虑到网络中传感器节点分布并不是均匀部署的,平均部署可能导致较大误 差而使得未知节点的定位精度下降。综合考虑所有通信节点,在节点上设置加权 系数保证系统的公平性,定义如下:
ni表示未知节点到目标节点的跳数。
实际传感器网络中节点感知任务目标的个数是有限的,如果感知任务目标的 个数超过一定限度,传感器能量将被过多的使用。为减少传感器节点感知偏差, 保证传感器节点探测任务目标的实时性,在此假设一个传感器节点至多能探测dm个任务目标,建立如下约束:
综上分析,可得新的多目标传感器网络资源分配方法模型:
本申请针对模拟退火搜寻效率和所求解性有限性的问题,将Logistic混 沌搜索嵌入模拟退火算法中。混沌状态引入到优化变量中,把混沌运动的遍历范 围放大到优化变量的取值范围,利用混沌变量进行搜索,结合模拟退火的快速寻 优的能力,提出基于混沌模拟退火的资源分配优化方法。
一种基于改进模拟退火的无线传感器网络资源分配方法,包括以下几个步 骤:
S1、基于产生函数生成位于解空间内的新解
设置初始温度T;模拟退火的搜索空间(也称为状态空间)由经过编码的可行 解的集合组成。状态产生函数(邻域函数)要尽可能保证产生的候选解遍布全部 解空间,包括产生候选解的方式和候选解产生的概率分布两部分。为保证取值的 可行性和可靠性,本申请利用混沌运动的遍历性,将混沌状态引入到优化变量中, 把混沌运动的遍历范围放大到优化变量的取值范围,利用混沌变量进行搜索,随 机产生[0,1]上的n维向量。基于logistic方程混沌初始化产生初始群体;并对 当前个体产生混沌扰动,设计合适的状态产生函数,使其根据搜索进程的需要表 现出状态的全空间分散性。本申请多目标资源分配优化方法对应的解空间集合 为:
解空间对应的初始解选为omn,此解空间基于资源分配方法的目标数学表示 为:
其中为{2,3,...,N-1}和{2,3,...,M-1}的循环排列,
基于解空间(22),采用逆序变换法在新解的产生装置中释放出一个新解,并 对构成解的部分元素进行置换,得到新的解空间:
logistic方程:设u0为一数列,u0∈[0,1]为初始值,满足递推关系:
un+1=vun(1-un),n=0,1,... (20)。
S2、计算与新解所对应的目标函数差
根据新的多目标传感器网络资源分配方法模型(18)和约束条件(19)计算代 价函数,其计算表达式:
其中式中u和v代表不同的迭代次数。
新的多目标传感器网络资源分配方法模型(18)和约束条件(19):
S3、判断新解是否被接受
采用Metropolis接受准则为判断依据,判断新的网络资源分配最优解是否被 接受:
若Δt<0,表示接受新解,此解为无线传感器网络资源新的分配方式;否则 以概率exp-Δt/T接受新的分配,逐步迭代。
S4、通过降温迭代到最优解
选定适当的控制参数T,用渐进收敛的时间去逼近来实现,此时{Ta}(a=0,1,...)是一个递减的数列,使用齐次马尔科夫链序列控制算法的进程,对模拟退火算法 进程进行分析。βT表示新的温度(β为降温系数;T为下次迭代前的温度)替代并 对其进行降温,依次迭代,直到找到全局最优解。
本申请对资源分配模型进行改进,并将改进模拟退火方法应用到优化方法设 计中,在节点能量有效、分布式控制等条件下完成对多个目标的探测任务。将混 沌和模拟退火优化相结合,所提出的优化方法可有效提高算法搜索效率。仿真结 果表明较同类算法相比,本申请的方法能更有效提高无线传感器网络系统整体性 能。
附图说明
图1:感知节点数为200时,本申请方法与文【10】方法成功检测到的目标 数线性对比图;
图2:感知节点数为500时,本申请方法与文【10】方法成功检测到的目标 数线性对比图;
图3:感知节点数为200时,本申请方法与文【10】方法的检出率线性对比 图;
图4:感知节点数为500时,本申请方法与文【10】方法的检出率线性对比 图;
图5:感知节点数为200时,不同优化方法对应的检测目标数线性对比图;
图6:感知节点数为500时,不同优化方法对应的检测目标数线性对比图;
图7:感知节点数为200时,不同优化方法对应的检出率线性对比图;
图8:感知节点数为500时,不同优化方法对应的检测目标数线性对比图。
具体实施方式
以下结合具体实施例和附图说明,来对本发明的方法作进一步详细说明。
一种基于改进模拟退火的无线传感器网络资源分配方法,包括以下几个步 骤:
S1、基于产生函数生成位于解空间内的新解
设置初始温度T;模拟退火的搜索空间(也称为状态空间)由经过编码的可行 解的集合组成。状态产生函数(邻域函数)要尽可能保证产生的候选解遍布全部 解空间,包括产生候选解的方式和候选解产生的概率分布两部分。为保证取值的 可行性和可靠性,本申请利用混沌运动的遍历性,将混沌状态引入到优化变量中, 把混沌运动的遍历范围放大到优化变量的取值范围,利用混沌变量进行搜索,随 机产生[0,1]上的n维向量。基于logistic方程混沌初始化产生初始群体;并对 当前个体产生混沌扰动,设计合适的状态产生函数,使其根据搜索进程的需要表 现出状态的全空间分散性。本申请多目标资源分配优化方法对应的解空间集合 为:
解空间对应的初始解选为omn,此解空间基于资源分配方法的目标数学表示 为:
其中为{2,3,...,N-1}和{2,3,...,M-1}的循环排列,
基于解空间(22),采用逆序变换法在新解的产生装置中释放出一个新解,并 对构成解的部分元素进行置换,得到新的解空间:
logistic方程:设u0为一数列,u0∈[0,1]为初始值,满足递推关系:
un+1=vun(1-un),n=0,1,... (20)。
S2、计算与新解所对应的目标函数差
根据新的多目标传感器网络资源分配方法模型(18)和约束条件(19)计算代 价函数,其计算表达式:
其中式中u和v代表不同的迭代次数。
新的多目标传感器网络资源分配方法模型(18)和约束条件(19):
S3、判断新解是否被接受
采用Metropolis接受准则为判断依据,判断新的网络资源分配最优解是否被 接受:
若Δt<0,表示接受新解,此解为无线传感器网络资源新的分配方式;否则 以概率exp-Δt/T接受新的分配,逐步迭代。
S4、通过降温迭代到最优解
选定适当的控制参数T,用渐进收敛的时间去逼近来实现,此时{Ta}(a=0,1,...)是一个递减的数列,使用齐次马尔科夫链序列控制算法的进程,对模拟退火算法 进程进行分析。βT表示新的温度(β为降温系数;T为下次迭代前的温度)替代并 对其进行降温,依次迭代,直到找到全局最优解。
数值仿真
为了评价本申请所提方法的有效性,考虑待探测目标及感知节点位置随机分 布的特性,首先将基于本申请所提方法(CSA)的成功检测目标数、检出率和文【10】 做比较;接着与同类智能优化方法如模拟退火(SA)算法、PSO【15】和遗传算法 (GA)【16】的性能进行对比;最后给出公平性分析。所有算法的迭代次数都设为 200,无线传感器网络系统参数如表1所示。
表1系统参数
成功检测到的目标数和检出率是衡量系统性能的重要指标。图1-4分别给出 了本申请方法(CSA)和文献【10】所提方法(CPGA)的有效性比较。图1对应的是 当感知节点数为200,待检测目标数为100时成功检测到的目标数,图2对应的 是感知节点数为500,待检测目标数为250。图3,4是不同节点数目下所得到的 检出率。图中CSA指的是本申请提出的混沌模拟退火方法,通过仿真结果可以看 出混沌变易对周围进行搜索,结合模拟退火的运行效率高能力,不仅能够保证算 法的全局性能,又能使收敛速度得到大幅度提高,提高了算法的速度和精度。因 此本文提出的方法可以获得更高的检出率和更多的检测目标数。
不同智能优化方法有效性比较
为了进一步验证CPSO算法的有效性,图5-8分别给出了本文所提方法(CSA) 和智能优化方法的有效性比较,感知节点数也分别设为200和500。SA为模拟退 火,PSO对应是标准PSO【15】,GA为遗传算法【16】。PSO和CPSO的种群数 设为20;GA的种群数设为100,交叉和变异概率分别设为0.8和0.2。由于结 合了混沌机制,采用逻辑自映射函数产生的混沌序列更具均匀性和更好的遍历 性,本文所提方法CSA比SA方法和其他智能优化方法收敛速度更快,并且获得 更好的检出率和更多的目标数。并且由于算法过程简单,具有快速寻优的能力, 整个仿真过程需要的时间是5-10秒钟。
权值有效性
考虑平均部署传感器节点可能导致较大误差,使得未知节点的定位精度下 降。本申请通过公式(16)在节点上定义了加权系数,从而保证系统的公平性。
表2和表3分别给出了本申请方法在加权和没有加权的两种情况下,不同数 目的感知节点对应的成功检测到的目标的个数和检出率。从表中可以看出,通过 权值系数保证系统的公平性,使得本申请方法有更高的效率。
表2检测目标数的比较
表3检出率的比较
结论
本申请针对多目标多任务环境下的无线传感器网络系统,提出基于混沌模拟 退火的资源分配方法。将模拟退火快速寻优的能力和混沌运动的遍历性、随机性 有效地结合,使其根据搜索进程的需要表现出状态的全空间分散性,提高了算法 的全局收敛性和计算效率。算法设计中,通过给用户以优先级保证系统和用户的 公平性。仿真结果表明,本申请方法可以取得较文献【10】、SA、PSO和GA取得 了明显的性能优势,降低了传输时延,提高了整体资源利用率。
参考文献:
【1】M.Dey,M.S.Ashour,F.Shi,S.J.Fong,R.S.Sherratt,DevelopingResidential Wireless Sensor Networks for ECG Healthcare Monitoring,IEEETransactions on Consumer Electronics,vol.63, no.4,pp.442-449,2017.
【2】J.Bahi,W.Elghazel,C.Guyeux,M.Hakem,K.Medjaher,Reliable DiagnosticsUsing Wireless Sensor Networks,Computers in Industry, vol.104,pp.103-115,2019.
【3】M.Botter,B.D.Chiara,F.P.Deflorio,Wireless sensor networks fortraffic monitoring in a logistic centre,Transportation Research Part C,vol.26,pp.99-124,2013.
【4】S.B.Mao,M.H.Cheung,V.W.S,Wong,Joint Energy Allocation for Sensingand Transmission in Rechargeable Wireless Sensor Networks, IEEE Transactionson Vehicular Technology,vol.63,no.6,pp. 2862-2875,2014.
【5】H.J.Cheng,Z.H.Su,N.X.Xiong,Y.Xiao,Energy-Efficient Node SchedulingAlgorithms for Wireless Sensor Networks Using Markov Random Field Model,Information Sciences,vol.329,pp.461-477, 2016.
【6】F.Castario,A.Rossi,M.Sevaux,No Velasco,An exact approach to extendnetwork lifetime in a general class of wireless sensor networks,InformationSciences,vol.433,pp.274-291,2018.
【7】郝晓辰,王立元,刘金硕,解力霞,张文焕,WSN中基于双群体差分进化 的资源分配优化算法,通信学报,vol.39,no.4,pp.68-75,2018.
【8】M.A.Díaz-Ibarra,D.U.Campos-Delgado,C.A.Gutiérrez,J.M. Luna-Rivera,Distributed power control in mobile wireless sensor networks,Ad Hoc Networks,vol.85,pp.110-119,2019.
【9】M.Miri,K.Mohamedpour,Y.Darmani,M.Sarkar,R.L.Tummala,An efficientresource allocation algorithm based on vertex coloring to mitigateinterference among coexisting WBANs,Computer Networks,vol.151,pp.132-146,2019.
【10】周杰,刘元安,吴帆,张洪光,俎云霄,基于混沌并行遗传算法的多目 标无线传感器网络跨层资源分配,物理学报,vol.60,no.9, pp.1-9,2011.
【11】H E Romeijn,R L Smith,Simulated annealing for constrained globaloptimization,J of Global Optimization,vol.5,no.2,pp.101-124, 1994.
【12】张子成,韩伟,毛波,基于模拟退火的自适应离散型布谷鸟算法求解旅 行商问题,电子学报,vol.46,no.8,pp.1849-1857,2018.
【13】马小晋,许华虎,卞敏捷,高洪皓,段玉聪,基于改进模拟退火算法的 虚拟机调度优化方法,通信学报,vol.39,no.Z1,pp.278-287,2018.
【14】E.Ott,C.Grebogi,J.A.Yorke,Chaos/xaoc Sovit-American Perspectivesin Nonlinear Science,pp.153-172,1990.
【15】J Kennedy,R C Eberhart.Particle Swarm Optimization.IEEEInternational Conference on Neutral Networks,pp.1942-1948, 1995.
【16】Ge J K,Qiu Y H,Wu C M,et al.Summary of genetic algorithmsresearch.Application Research of Computers,vol.25,no.10,pp. 2911-2916,2008.
Claims (3)
1.一种基于改进模拟退火的无线传感器网络资源分配方法,其特征在于,包括以下几个步骤:
S1、基于产生函数生成位于解空间内的新解
设置初始温度T;模拟退火的搜索空间由经过编码的可行解的集合组成;状态产生函数要尽可能保证产生的候选解遍布全部解空间,包括产生候选解的方式和候选解产生的概率分布两部分;为保证取值的可行性和可靠性,利用混沌运动的遍历性,将混沌状态引入到优化变量中,把混沌运动的遍历范围放大到优化变量的取值范围,利用混沌变量进行搜索,随机产生[0,1]上的n维向量;基于logistic方程混沌初始化产生初始群体;并对当前个体产生混沌扰动,设计合适的状态产生函数,使其根据搜索进程的需要表现出状态的全空间分散性;多目标资源分配优化方法对应的解空间集合为:
解空间对应的初始解选为omn,此解空间基于资源分配方法的目标数学表示为:
其中为{2,3,...,N-1}和{2,3,...,M-1}的循环排列,
基于解空间(22),采用逆序变换法在新解的产生装置中释放出一个新解,并对构成解的部分元素进行置换,得到新的解空间:
S2、计算与新解所对应的目标函数差
根据新的多目标传感器网络资源分配方法模型(18)和约束条件(19)计算代价函数,其计算表达式:
其中式中u和v代表不同的迭代次数;
S3、判断新解是否被接受
采用Metropolis接受准则为判断依据,判断新的网络资源分配最优解是否被接受:
若Δt<0,表示接受新解,此解为无线传感器网络资源新的分配方式;否则以概率exp-Δt/T接受新的分配,逐步迭代;
S4、通过降温迭代到最优解
选定适当的控制参数T,用渐进收敛的时间去逼近来实现,此时{Ta}(a=0,1,...)是一个递减的数列,使用齐次马尔科夫链序列控制算法的进程,对模拟退火算法进程进行分析。βT表示新的温度(β为降温系数;T为下次迭代前的温度)替代并对其进行降温,依次迭代,直到找到全局最优解。
2.如权利要求1所述的一种基于改进模拟退火的无线传感器网络资源分配方法,其特征在于,
所述S1中,logistic方程:设u0为一数列,u0∈[0,1]为初始值,满足递推关系:
un+1=vun(1-un),n=0,1,... (20)。
3.如权利要求1所述的一种基于改进模拟退火的无线传感器网络资源分配方法,其特征在于,
所述S2中,新的多目标传感器网络资源分配方法模型(18)和约束条件(19):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322312.7A CN110351679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322312.7A CN110351679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110351679A true CN110351679A (zh) | 2019-10-18 |
CN110351679B CN110351679B (zh) | 2022-03-18 |
Family
ID=68174684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322312.7A Active CN110351679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110351679B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552988A (zh) * | 2020-04-21 | 2020-08-18 | 西安电子科技大学 | 基于蒙特卡罗抽样的前向安全k近邻检索方法及系统 |
CN111885493A (zh) * | 2020-08-04 | 2020-11-03 | 西安邮电大学 | 一种基于改进布谷鸟搜索算法的微云部署方法 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN113313360A (zh) * | 2021-05-06 | 2021-08-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于模拟退火-撒点混合算法的协同任务分配方法 |
CN113703984A (zh) * | 2021-09-02 | 2021-11-26 | 同济大学 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
CN115277044A (zh) * | 2022-05-17 | 2022-11-01 | 南京赛宁信息技术有限公司 | OpenStack加密链路节点分层方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130141273A1 (en) * | 2010-08-16 | 2013-06-06 | Mbda Uk Limited | Image processing method |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN106953358A (zh) * | 2017-04-20 | 2017-07-14 | 国网江西省电力公司电力科学研究院 | 一种主动配电网优化调度策略确定方法 |
US20180136976A1 (en) * | 2016-11-14 | 2018-05-17 | King Abdulaziz University | Temporal task scheduling in a hybrid system |
-
2019
- 2019-04-22 CN CN201910322312.7A patent/CN110351679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130141273A1 (en) * | 2010-08-16 | 2013-06-06 | Mbda Uk Limited | Image processing method |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
US20180136976A1 (en) * | 2016-11-14 | 2018-05-17 | King Abdulaziz University | Temporal task scheduling in a hybrid system |
CN106953358A (zh) * | 2017-04-20 | 2017-07-14 | 国网江西省电力公司电力科学研究院 | 一种主动配电网优化调度策略确定方法 |
Non-Patent Citations (6)
Title |
---|
FUQIANG WANG: "A time synchronization method of Wireless Sensor Networks based on the simulated annealing algorithm", 《IEEE》 * |
KONSTANTIN AKSVONOV: "Development of a Hybrid Decision-Making Method Based on a Simulation-Genetic Algorithm in a Web-Oriented Metallurgical Enterprise Information System", 《IEEE》 * |
TANG MEIQIN: "Margin optimization algorithm for digital subscriber lines based on particle swarm optimization", 《 JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
吴文波: "并行分布实时仿真平台任务调度技术研究", 《中国博士论文全文数据库》 * |
李猛: "基于智能优化与RRT算法的无人机任务规划方法研究", 《中国博士论文全文数据库》 * |
李金忠: "多目标模拟退火算法及其应用研究进展", 《计算机工程与科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552988A (zh) * | 2020-04-21 | 2020-08-18 | 西安电子科技大学 | 基于蒙特卡罗抽样的前向安全k近邻检索方法及系统 |
CN111552988B (zh) * | 2020-04-21 | 2023-05-02 | 西安电子科技大学 | 基于蒙特卡罗抽样的前向安全k近邻检索方法及系统 |
CN111885493A (zh) * | 2020-08-04 | 2020-11-03 | 西安邮电大学 | 一种基于改进布谷鸟搜索算法的微云部署方法 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112016812B (zh) * | 2020-08-06 | 2022-07-12 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN113313360A (zh) * | 2021-05-06 | 2021-08-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于模拟退火-撒点混合算法的协同任务分配方法 |
CN113703984A (zh) * | 2021-09-02 | 2021-11-26 | 同济大学 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
CN113703984B (zh) * | 2021-09-02 | 2024-03-19 | 同济大学 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
CN115277044A (zh) * | 2022-05-17 | 2022-11-01 | 南京赛宁信息技术有限公司 | OpenStack加密链路节点分层方法与系统 |
CN115277044B (zh) * | 2022-05-17 | 2023-06-09 | 南京赛宁信息技术有限公司 | OpenStack加密链路节点分层方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110351679B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110351679A (zh) | 一种基于改进模拟退火的无线传感器网络资源分配方法 | |
Al-Otaibi et al. | Hybridization of metaheuristic algorithm for dynamic cluster-based routing protocol in wireless sensor Networksx | |
Selvi et al. | An energy efficient clustered gravitational and fuzzy based routing algorithm in WSNs | |
Shankar et al. | Hybrid HSA and PSO algorithm for energy efficient cluster head selection in wireless sensor networks | |
Tsai et al. | Metaheuristics for the Lifetime of WSN: A Review | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
John et al. | MOTCO: Multi-objective Taylor crow optimization algorithm for cluster head selection in energy aware wireless sensor network | |
Farman et al. | Analytical network process based optimum cluster head selection in wireless sensor network | |
Hu et al. | An efficient online computation offloading approach for large-scale mobile edge computing via deep reinforcement learning | |
Singh et al. | Multilevel heterogeneous network model for wireless sensor networks | |
Ghorpade et al. | Towards green computing: Intelligent bio-inspired agent for IoT-enabled wireless sensor networks | |
Kumar et al. | An efficient on-demand charging schedule method in rechargeable sensor networks | |
Chen et al. | A Lifetime Optimization Algorithm Limited by Data Transmission Delay and Hops for Mobile Sink‐Based Wireless Sensor Networks | |
Ling et al. | Coverage optimization of sensors under multiple constraints using the improved PSO algorithm | |
Singh | A sustainable data gathering technique based on nature inspired optimization in WSNs | |
Elhoseny et al. | Extending homogeneous WSN lifetime in dynamic environments using the clustering model | |
Subramani et al. | A fuzzy logic and DEEC protocol-based clustering routing method for wireless sensor networks | |
Nazari et al. | An Intelligent SDN‐Based Clustering Approach for Optimizing IoT Power Consumption in Smart Homes | |
Sinde et al. | Cluster based wireless sensor network for forests environmental monitoring | |
Elsway et al. | Energy-aware disjoint dominating sets-based whale optimization algorithm for data collection in WSNs | |
Singh | A clustering-based optimized stable election protocol in wireless sensor networks | |
Zha et al. | An improved adaptive clone genetic algorithm for task allocation optimization in ITWSNs | |
Gangal et al. | A distributed leach-ahp routing for wireless sensor networks | |
Tang et al. | Multi-objective Resource Allocation Algorithm for Wireless Sensor Network Based on Improved Simulated Annealing. | |
Zhou et al. | Elite adaptive simulated annealing algorithm for maximizing the lifespan in LSWSNs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |